煤炭开采面临着煤自燃灾害的严重威胁，预测作为防治煤自燃灾害发生的重要环节之一，可以提前发现潜在的煤自燃风险，从而采取措施确保煤炭安全开采。机器学习方法，能够很好的分析与处理煤自燃与各项预测指标之间复杂关系，在煤自燃预测方面得到了广泛的研究。因此，对机器学习在煤自燃预测中的研究进行了全面的综述，分析其在预测中面临的难点并展望其发展方向。首先，分析机器学习在煤自燃温度、危险性及其他方面预测的主要预测指标，简述了应用于煤自燃预测的特征工程。其次，分析了机器学习在煤自燃预测领域的主要研究进展，包括人工神经网络(Artificial Neural Network， ANN)、支持向量机(Support Vector Machines， SVM)、聚类分析(Cluster Analysis， CA)和集成学习(Ensemble learning， EL)等算法的应用，总结应用于煤自燃预测的优化算法，同时也提出了目前机器学习应用于煤自燃预测存在的问题，例如预测指标选择有待商榷、训练样本较少且无法全面反映现场实际情况等问题。最后，展望了基于机器学习的煤自燃预测的未来发展方向，具体包括：在预测模型所需数据方面，着重于提升样本数量和质量；在煤自燃预测指标选择方面，构建煤自燃预测指标自适应优选模型；在煤自燃预测技术方面，开发煤自燃灾害预测大模型。随着计算性能的提升，有望开发出适用于煤矿所有灾害的大型语言模型，以提高对煤矿灾害事故的防范化解能力。

0 引言
1 煤自燃预测指标选用研究现状
1.1 煤自燃温度预测中的指标选择
1.2 煤自燃危险性预测中的指标选择
1.3 煤自燃其他方面预测中的指标选择
2 煤自燃中的特征工程
2.1数据填补方法
2.2主成分分析法
2.3灰色理论
3 用于煤自燃预测的机器学习算法
3.1 人工神经网络
3.2 支持向量机
3.3 聚类分析
3.4 集成学习
3.5 判别分析
3.6 其他
3.7 煤自燃预测中的优化算法
3.7.1 粒子群优化算法
3.7.2 遗传算法
4 展望